Neural SLAM: A Survey

该论文是神经SLAM（Neural Simultaneous Localization and Mapping）领域的综合性综述，系统梳理了利用深度学习方法解决机器人同时定位与建图问题的各类方法。传统SLAM方法依赖手工设计的特征和几何约束，在复杂环境和弱纹理场景中容易失效，而神经SLAM利用深度学习的特征提取和表示学习能力，能够在更广泛的场景中实现鲁棒的定位和建图。论文将神经SLAM方法分为五大类：1）基于学习的前端，包括深度特征提取、学习型描述子、学习型数据关联等；2）基于学习的后端，包括可微位姿图优化、学习型回环检测、神经BA等；3）端到端神经SLAM，包括基于RNN/Transformer的端到端位姿估计、隐式神经表示建图等；4）神经隐式SLAM，包括NeRF-SLAM、3DGS-SLAM、神经隐式表示建图等；5）语义神经SLAM，包括语义建图、目标级SLAM、动态语义SLAM等。论文详细讨论了神经SLAM的表示方法、学习算法、系统架构、评估指标，以及在移动机器人、无人机、自动驾驶、AR/VR等领域的应用。该综述引用超过500次，是神经SLAM领域的重要参考资料。